論文の概要: Arbitrage-Free Implied Volatility Surface Generation with Variational
Autoencoders
- arxiv url: http://arxiv.org/abs/2108.04941v1
- Date: Tue, 10 Aug 2021 21:56:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-12 20:10:24.750596
- Title: Arbitrage-Free Implied Volatility Surface Generation with Variational
Autoencoders
- Title(参考訳): 変分オートエンコーダを用いた任意自由含意ボラティリティ表面生成
- Authors: Brian Ning, Sebastian Jaimungal, Xiaorong Zhang, Maxime Bergeron
- Abstract要約: 本研究では, 歴史的データに整合した任意なインプリート変動面を生成するハイブリッド手法を提案する。
SDEモデルの2つのクラス、すなわちレギュラースイッチングモデルとL'evy加法プロセスに焦点を当てる。
- 参考スコア(独自算出の注目度): 0.3441021278275805
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a hybrid method for generating arbitrage-free implied volatility
(IV) surfaces consistent with historical data by combining model-free
Variational Autoencoders (VAEs) with continuous time stochastic differential
equation (SDE) driven models. We focus on two classes of SDE models: regime
switching models and L\'evy additive processes. By projecting historical
surfaces onto the space of SDE model parameters, we obtain a distribution on
the parameter subspace faithful to the data on which we then train a VAE.
Arbitrage-free IV surfaces are then generated by sampling from the posterior
distribution on the latent space, decoding to obtain SDE model parameters, and
finally mapping those parameters to IV surfaces.
- Abstract(参考訳): 本稿では,モデルフリー変分オートエンコーダ (vaes) と連続時間確率微分方程式 (sde) 駆動モデルを組み合わせて,歴史的データと整合した調停自由含意ボラティリティ (iv) 面を生成するハイブリッド手法を提案する。
SDEモデルの2つのクラス、すなわちレギュラースイッチングモデルとL\'evy加法プロセスに焦点を当てる。
歴史的曲面をSDEモデルパラメータの空間に投影することにより、VAEをトレーニングするデータに忠実なパラメータ部分空間上の分布を得る。
アービタージュフリーIV曲面は、潜在空間の後方分布からサンプリングし、復号してSDEモデルパラメータを取得し、最終的にそれらのパラメータをIV曲面にマッピングすることで生成される。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - FuNVol: A Multi-Asset Implied Volatility Market Simulator using
Functional Principal Components and Neural SDEs [0.0]
歴史的価格に忠実な複数の資産にまたがるインプリードボラティリティ(IV)表面のシーケンスを生成するための新しいアプローチを導入する。
我々は,IV面と価格の合同力学の学習が,歴史的特徴に整合した市場シナリオを生み出し,静的な仲裁が不要な表面のサブ多様体内に存在することを実証した。
論文 参考訳(メタデータ) (2023-03-01T23:14:09Z) - Optimizing differential equations to fit data and predict outcomes [0.0]
数値微分方程式解法による自動微分の最近の技術進歩は、フィッティング過程を比較的簡単な問題に変える可能性がある。
本稿は、ハレとリンクスの個体群における振動に古典的な生態データを用いて、様々な共通の課題を克服する方法を説明する。
論文 参考訳(メタデータ) (2022-04-16T16:08:08Z) - Scalable Inference in SDEs by Direct Matching of the
Fokker-Planck-Kolmogorov Equation [14.951655356042949]
Runge-Kuttaの変種のようなシミュレーションに基づく手法は、機械学習における微分方程式(SDE)による推論のデファクトアプローチである。
このワークフローが高速で、高次元の潜伏空間にスケールし、少ないデータアプリケーションに適用可能であることを示す。
論文 参考訳(メタデータ) (2021-10-29T12:22:55Z) - Arbitrage-free neural-SDE market models [6.145654286950278]
我々は、基礎となる金融制約を尊重する欧州オプションブックの非パラメトリックモデルを開発する。
株価とオプション価格の離散時系列データからモデルを学習する推論問題について検討する。
我々は,SDEシステムのドリフトと拡散のための関数近似器としてニューラルネットワークを用いる。
論文 参考訳(メタデータ) (2021-05-24T00:53:10Z) - Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。
提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文 参考訳(メタデータ) (2020-09-29T15:00:47Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳(メタデータ) (2020-09-29T12:50:33Z) - Identifying Latent Stochastic Differential Equations [29.103393300261587]
本研究では,高次元時系列データから潜時微分方程式(SDE)を学習する手法を提案する。
提案手法は,自己教師付き学習手法を用いて,環境空間から潜時空間へのマッピングと,基礎となるSDE係数を学習する。
提案手法の検証には,SDEの基盤となる複数のビデオ処理タスク,および実世界のデータセットを用いて行う。
論文 参考訳(メタデータ) (2020-07-12T19:46:31Z) - Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。
粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。
これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文 参考訳(メタデータ) (2020-02-21T20:47:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。